河套灌区玉米和向日葵ET的S-I估算模型关键参数分析

蔡甲冰，张宝忠，魏 征，黄凌旭，陈 鹤，彭致功



河套灌区玉米和向日葵ET的S-I估算模型关键参数分析

蔡甲冰1,2，张宝忠1,2，魏 征1,2，黄凌旭3，陈 鹤1,2，彭致功1,2

（1. 中国水利水电科学研究院流域水循环模拟与调控国家重点实验室，北京 100038； 2. 国家节水灌溉北京工程技术研究中心，北京 100048；3. 中国电建北京勘测设计研究院，北京 100024）

农田作物蒸散的快速评估对于灌区水资源最优调配和灌溉实时管理至关重要。简化S-I模型综合考虑作物冠层温度、田间气象参数和作物特征参数，可以进行实时农田作物ET的精确估算。该文利用河套灌区解放闸灌域2015—2016年2 a田间试验观测资料，对主要农作物玉米和向日葵的S-I模型中2个特征参数分别进行了率定和验证，并分析了模型蒸散估算的相关影响因素。结果表明：1）利用S-I简化模型可以对玉米和向日葵田间进行作物日蒸散量（daily evapotranspiration, ETd）的估算，在该地区以13:00时率定和验证结果最优。在玉米主要生育期（6—8月），利用S-I模型估算ETd可以达到较高的精度；而在7—8月，采用模型估算向日葵地ETd也可以达到很高的精度；2）S-I模型中特征参数值受风速、地表覆盖度、表面粗糙度等因素的影响，不同作物其值不同。13:00时玉米S-I模型中特征参数值皆为负值，而向日葵中特征参数值为1正1负，进而影响模型估算精度。叶面积指数变化对特征参数值大小的影响在玉米和向日葵田块呈相反的趋势，而风速的影响则为一致。推荐13:00时率定的参数值可以在河套灌区玉米和向日葵作物需水量估算时直接应用。

蒸散；风速；温度；玉米；向日葵；S-I模型；河套灌区

0 引 言

农田作物蒸散量（evapotranspiration, ET）的准确估算，对灌区水资源规划和灌溉用水管理至关重要。在经济形势变化和土地流转的背景下，中国的农业灌溉逐步从单一、分片小块农田转向连片、大农场，对灌区农田灌溉管理也提出了更加实时、精量、准确的要求。作物冠层温度是一个很好的干旱监测和灌溉决策指标，有坚实的理论基础和广阔的应用前景，从20世纪六七十年代已经开展了大量的研究[1-5]。常用的作物模型往往用气温来表达热胁迫对作物减产的影响，实际上田间监测结果显示，冠层温度比用空气温度能够更好地表征他们的相关关系[6-7]。农田表面温度是由作物长势和外界的辐射、土壤水分状况等因素共同作用确定的，土壤墒情和作物冠层温度是紧密结合在一起的，因此利用遥感的冠层温度数据可进行区域上作物的水分胁迫和干旱监测[8-9]。基于红外温度的性质和观测手段，在农田灌溉管理中，作物冠层温度能够成为一个良好的尺度联结和尺度转换的指标。

根据能量平衡原理，可以利用作物冠层红外温度（T）与空气温度（T）差值（T-T）指示农田作物干旱情况，并进行灌溉决策与管理。实际上，已有很多模型利用作物冠层温度或者表面温度估算ET，如Norman等[10]提出的双源能量平衡模型，采用了考虑土壤表面和稀疏植被的辐射表面温度；Qiu等[11-13]构建了三温模型并在点尺度进行了验证；Jackson等[3]提出了基于冠气温差估算ET的公式；在此基础上，Seguin等[14]对其进行改进，简化为S-I模型，从而使其应用更加简便，历年来在不同地区进行了率定和验证[15-18]。S-I模型中的特征参数、与作物有关，因而其数值的确定是模型应用的关键因素。黄凌旭等[19]曾根据2015年内蒙古河套灌区玉米和葵花田间试验观测，对S-I模型中特征参数、进行了简单的率定。然而，模型的特征参数在本地区是否适宜，不止是需要年度试验数据率定，更需要对其进行检验和验证，分析其影响因素，从而得到普适性数据以推广应用。

本文以内蒙古河套灌区解放闸灌域2015—2016年的田间试验观测数据为例，利用定点连续观测系统获取了试验区域玉米和向日葵作物冠层温度及田间作物生长环境因子数据，对S-I模型分别进行了参数率定和验证；在此基础上对比分析了模型估算ET在不同作物上的差异，并分析了相关影响因素，为进一步的灌区干旱监测研究和区域灌溉管理提供依据。

1 材料与方法

1.1 研究区域

相关研究在河套灌区解放闸灌域（106°43¢～107°27¢E，40°34¢～41°14¢N）展开。解放闸灌域位于内蒙古自治区河套灌区西部，南临黄河，北靠阴山，西与乌兰布和沙漠接壤，东与永济灌域毗邻。解放闸灌域是河套灌区第二大灌域，总土地面积约为2 157 km2，其中60%以上为耕地。灌域地处干旱半干旱内陆地区，属中温带高原、大陆性气候特征。日照时间长，年蒸发量大，年平均降水量151.3 mm，年内平均气温9 ℃。土壤类型为灌淤土，土质以粉砂壤土为主，有机质含量较低，含盐量较高，地下水位埋深较浅。田间观测试验点位于内蒙古自治区河套灌区解放闸灌域沙壕渠试验站，地处107°8¢16²E，40°55¢8²N，海拔高程1 036 m。

研究区内农作物以玉米和向日葵为主，另有一定比例的小麦、瓜果和蔬菜等。根据巴彦淖尔市统计年鉴[20]和遥感反演数据[21]，试验区内玉米和向日葵种植比例近些年达到了60%以上。本文以玉米和向日葵的作物蒸散量估算开展相关研究，田间试验观测和数据采集在2015—2016年度作物主要生育期内（6—8月）进行。

1.2 作物日蒸散量估算模型

1.2.1 基于冠气温差估算作物ET的S-I模型

作物日蒸散量与日净辐射和冠气温差有着密切的关系。Seguin和Itier（1983）提出如下计算模型（以下简称S-I模型）[14]：

ETd-Rnd=+(T–T) （1）

式中ETd为作物日蒸散量，mm/d；Rnd为日净辐射，mm/d；T和T分别为接近中午时刻的瞬时冠层温度和空气温度，℃。参数和为与作物有关的经验系数，需要根据作物和当地的条件进行率定和验证。S-I模型中Rnd可根据太阳辐射（R）计算得到，其中R、T和T可由CTMS-On line农田多参数观测系统实时监测[22]。

1.2.2 基于单作物系数法的作物ET估算方法

采用单作物系数法计算ETd，计算公式如下[23]：

ETd=KKET0（2）

式中K为作物系数；K为水分胁迫系数；ET0为参照作物蒸散量，mm/d，计算公式如下[23]：

式中为土壤热通量，MJ/(m2·d)；为平均气温，℃；2为2 m高处的平均风速，m/s；e为饱和水汽压，kPa；e为实际水汽压，kPa；Δ为水汽压曲线斜率，kPa/℃；为湿度计常数，kPa/℃。水分胁迫系数K反映土壤水分胁迫对作物蒸腾的影响；D为作物根区水分损耗量，mm；TAW为根区总水量，mm；RAW为根区可利用水量，mm。当DK=1。值与作物种类和大气蒸发能力有关；0为当ETd≈5 mm/d时的值，玉米和向日葵分别为0.55和0.45。K的数值大小确定方法及上述各参数的计算方法和参考值，详见参考文献FAO-56[23]。闫浩芳[24]通过内蒙古河套灌区解放闸灌域2003—2006年实测的微气象资料，基于波文比能量平衡法，计算得到春小麦、玉米和向日葵不同生育期的作物系数。本文玉米和向日葵各生育期K值参照上述的试验结果，各生长阶段的天数和K值等总结表格详见文献[25]。

1.3 地面数据观测

1.3.1 农田多参数监测系统

根据当地作物类型和田块尺度，分别选取玉米和向日葵典型田块，将2套CTMS-On line型农田多参数观测系统分别布置在玉米田块和向日葵田块的种植区域中间（见图1）。该系统主要有太阳能电池板、旋转云台、高精度红外冠层温度传感器、气象因子传感器、数据采集器等组成，利用太阳能供电能够在野外长期监测作物冠层温度及气象参数变化，可实现对试验点地面数据连续观测和数据采集[22]。本系统数据采集时间间隔为0.5 h，监测主要同步参数包括：太阳辐射，光合有效辐射，空气温度、相对湿度，风速，大气压；作物冠层红外温度；作物根区土壤水分、温度（10、20、40 cm）等。

a. 2015玉米田块a. Maize field in 2015b. 2015向日葵田块b. Sunflower field in 2015c. 2016年玉米+向日葵田块1c. Maize &sunflower field 1 in 2016d. 2016年向日葵田块2d. Sunflower field 2 in 2016

1.3.2 田间试验观测项目

1）土壤墒情：除了农田多参数观测系统所带有的墒情传感器实时采集作物根区土壤水分，在玉米田块和向日葵田块均匀布设8个位置取土样，取样深度分别为10、20、40、60、80和100 cm；每5～7 d监测1次，灌溉前后及降雨后加测。采用烘干法监测土壤含水率，其结果同时也可用于对实时土壤水分传感器的标定。试验期内2015—2016年玉米和向日葵田块土壤水分变化情况见图2，当地灌水较多、田间土壤水分含量较高。由此可以计算土壤水分胁迫系数K，从而利用单作物系数法计算ETd。

注：Fc为田间持水量，Wp为凋萎点，Dr为为作物根区水分损耗量，RAW为根区可利用水量。

2）地下水位：在玉米田块和向日葵田块中心位置设有地下水位观测井，每2～3 d用卷尺直接测量每块田块的地下水位埋深。

3）灌水日期及灌水深度：玉米田块和向日葵田块通过渠道引水进行灌溉，利用梯形堰控制和量测田块的灌水量，每5 min记录1次梯形堰断面水位。玉米田块和向日葵田块的灌水日期和灌水量见表1。

表1 2015—2016年玉米和向日葵田块灌水日期与灌水量

4）作物生长指标观测：①株高和叶面积：在玉米田块和向日葵田块分别选取具有代表性的植株3株，挂牌标记。用卷尺直接测量地面以上玉米和向日葵植株的高度及植株叶片的长和宽，每5～7 d测量1次。②生物量：在玉米田块和向日葵田块分别选取具有代表性的植株3株，测量其湿质量，放入烘箱中杀青并烘干至恒质量，每15 d测量1次。

1.4 统计参数

为了对模拟数据和观测数据进行评价，本文选取决定系数2、均方根误差（root mean square of error，RMSE）、一致性系数来检验模型的模拟效果。的值是在0到1之间，其中的值越接近于1，说明模型预测的精度越高[26]。

2 结果与分析

2.1 基于2 a试验数据的S-I模型参数率定

2.1.1 基于2016年玉米和向日葵数据进行参数率定

利用2016年连续监测的田间实测数据，采用式（1）分别计算玉米、向日葵的日蒸散量（ETd）；由太阳辐射（R）数据计算得到日净辐射（Rnd）。计算玉米、向日葵生育期10:00—16:00的（T–T）值，分别与（ETd-Rnd）做线性回归分析推求对应时刻S-I模型中的参数、值。2016年布置在向日葵田块1的仪器数据采集时间为6—8月，共92 d的数据，而布置在向日葵田块2的仪器由于出现故障，导致数据缺失，数据的采集时间为7—8月，共62 d的数据。表2总结了玉米和向日葵田块2在日内10:00—16:00模型的2和参数、率定值，玉米和向日葵在典型时刻10:00、13:00和16:00二者之间线性回归分析如图3所示。表2可见，2016年玉米生育期内的（T–T）与（ETd–Rnd）两者在10:00—16:00时刻2的变化范围为0.65～0.68，说明两者之间具有较好的线性关系。随着时刻的变化，在13:00时2最大为0.68。向日葵也是同样的变化趋势，2的变化范围为0.63～0.75，在13:00时最大为0.75，在12:00和1300时2的值相差较小。因此，13:00时（T–T）与（ETd–Rnd）两者之间的线性关系最好，模型中参数和采用13:00时刻对应的回归方程系数，可得到作物日蒸散量估算模型。通过对比发现，此时玉米和向日葵对应的模型参数、分别为–0.251、–0.209和0.316、–0.550，二者存在差别。从图3看，同一时刻向日葵的（T–T）与（ETd–Rnd）之间2值要高于玉米，关系较好。而实际上因观测仪器问题，向日葵生育初期的6月份缺少数据，只有7、8月62 d的样本。玉米冠气温差较大值也是发生在植株叶面积较小的生育初期的6月，导致2稍低。可见作物生育期不同，植被覆盖度的大小在很大程度影响了二者之间的线性关系。

2.1.2 以2015年玉米和向日葵数据进行参数率定

与2016年数据处理类似，在玉米和向日葵3个月主要生育期内，10:00—16:00各时刻的（T–T）与（ETd–Rnd）进行线性回归分析，限于篇幅图片略（详细内容可见文献[25]），相关统计参数见表2。2015年2种作物都有6—8月的完整数据92个样本。结果与2016年数据类似，13:00时（T–T）与（ETd–Rnd）两者之间的线性相关性最好，玉米2为0.689，向日葵为0.884。玉米和向日葵S-I模型中率定参数和，在13:00时分别为–0.738、–0.124，和0.655、–0.358。

表2 利用不同年玉米和向日葵观测数据标定的不同时刻S-I模型参数a、b

注：2016年玉米样本数92、向日葵田2样本数62； 2015年玉米和向日葵样本数分别为92。所有模型值均小于0.05。下同。

Note: Sample number in maize is 92 and that in sunflower field 2 is 62 in 2016. Sample numbers in maize and sunflower field in 2015 are 92, respectively.value of all models are smaller than 0.05. Same as below.

图3 2016年典型时刻玉米和向日葵田块2冠层温度和空气温度差（Tc–Ta）与日蒸散量和日净辐射差（ETd–Rnd）的关系

2.2 S-I模型参数验证

2.2.1 采用2015年试验数据验证基于2016年数据率定的S-I参数

据2016年模型率定参数，结合2015年田间数据（冠气温差和净辐射），用式（1）估算作物ET（称为模型计算ETd），据式（2）计算得到作物蒸散量称为实测ETd。因2016年率定参数是向日葵田块2的7、8月数据，因此仅计算了2015年对应时间段向日葵的ETd值，共62 d数据。图4展示了2015年玉米、向日葵主要生育期内10:00—16:00 ETd模型计算值和实测值拟合关系。二者拟合度在玉米地很高，数据分布在1∶1线两边，10:00—16:002在0.81以上，13:002最高，16:00时次之。ETd模型计算和实测值的RMSE和的变化范围分别为0.53～0.67 mm/d和0.92～0.94，RMSE值小于1 mm/d，而值>0.92接近1，说明S-I模型能够较准确地估算玉米日蒸散量。

与玉米相比，向日葵地ETd模型计算值和实测值的拟合度稍弱。从图4可知，二者拟合散点大多数位于1∶1线下部，说明模型估值与实测值相比偏小。ETd模型计算值和实测值之间的2为0.59～0.82，13:00和16:00的2在0.81以上。向日葵ETd模型计算值和实测值拟合效果在13:00时最好，2（约0.82）和值（约0.81）最大，RMSE值最小（约1.07 mm/d）。

注：玉米样本数92、向日葵样本数62。

2.2.2 采用2016年试验数据验证基于2015年数据率定的S-I参数

根据表2中给出的2015年10:00—16:00率定参数和的值，利用S-I模型分别估算2016年玉米地、向日葵田块1和田块2的ETd。表3总结了模型计算ETd和实测ETd的统计分析结果。可见，玉米田2和分别在0.788～0.857、0.932～0.946之间，RMSE的值小于0.75 mm/d；各时段中以13:00拟合结果最优，说明S-I模型能够较准确地估算玉米地日蒸散量。向日葵田块2估算模型的2值都在0.89以上，但要小于玉米地计算结果，13:00时估算结果最优。向日葵地1估算效果稍差，模型计算ETd和实测ETd两者的拟合效果在13:00时最好，2和的值最大（2=0.868和=0.833），RMSE的值最小（1.353 mm/d）。然而与2015年不同的是，向日葵田块二者拟合散点大多数位于1∶1线上部[25]，说明模型估值与实测值相比偏大。后面将做进一步分析。

表3 2016年ETd的S-I模型计算值（基于2015年率定参数）和实测值比较

注：玉米地样本数为92，向日葵田块1样本数为92；向日葵田块2样本数为62。值是检验结果。

Note: Sample number in maize is 92 and sample number in sunflower 1 is 92；Sample number in sunflower 2 is 62.value is based ontest.

2.3 生育期内ET估算精度对比

从以上2015—2016年分别参数率定和验证的结果可见，本地区日内13:00时S-I模型估算作物蒸散的统计参数最优。为了进一步探究S-I模型的实用性和不同作物的特征参数、值，分别将2015—2016年率定参数代入式（1），用S-I模型对2016和2015年13:00时玉米、向日葵田蒸散进行估算，并与实测ETd进行对比分析其生育期变化过程，见图5。

图5 2015—2016年13:00时模型计算ETd与实测ETd和变化过程

由图5可知，玉米地2 a中模型估算ETd与实测ETd变化趋势具有较好的一致性，二者数值很接近（图5a、5c），因而其RMSE和的值优良。向日葵在5月底6月初播种，此时植被覆盖小、裸地多，因而向日葵田块1此时实测ETd与模型估算ETd相差较大（图5d），因此其总体统计参数相对差一些。2016年8月初，2个向日葵田块利用S-I模型估算的ETd要高于实测值，此时又出现二者差值较大的时段；总体看，向日葵田块模型估算值偏高（图5d、5e）。而2015年情况却相反，利用S-I模型估算的ETd普遍低于实测值（图5b）。横向对比2种作物ET估算值，可见2015年玉米模型计算ETd高估而向日葵低估，2016年玉米低估而向日葵高估。这种差异性进一步说明了S-I模型参数在不同作物田块使用时，数值是作物特征参数，必须进行率定和验证。

2.4 玉米和向日葵田块S-I模型特征参数

从表2中S-I模型作物特征参数率定结果看，2 a中玉米和向日葵在13:00时、值大致处在日内各时刻变幅的中间值；玉米、值皆为负值，而向日葵为正数、为负数。2种作物值的正负性不一样，也许这是玉米和向日葵同一年份模型低估和高估（图5）正好相反的原因。同时可见，值大小影响了模型估值的精度：玉米2015年的率定值较小，因而其2016年验证值就偏低；2016年的率定值稍大，其2015年验证值就偏大。向日葵2 a的值2 a变化与玉米相反，因而模型计算值变化规律也相反。

Seguin等[14]指出风速较小时，模型中参数的值也较小。Carlson等[27-28]指出S-I模型中的参数受风速和植被覆盖度的影响较大。因此，风速的大小也可能会影响模型估算ETd的精度。为了进一步分析模型计算ETd差异性的成因，这里列出来了2015年和2016年3个月主要生育期内玉米和向日葵叶面积指数变化、田间风速变化情况，见图6。在6月份，玉米处于快速生长期而向日葵处于生育初期，向日葵的叶面积指数的值远小于玉米；随后向日葵的叶面积指数迅速增加，其数值在7月中旬即大于了玉米田块，然后在生育后期2种作物的LAI都变小。2 a内作物生育期内玉米和向日葵LAI变化趋势一致，二者数值相差不大（图6a、6b）。从田块风速来看，2016年风速稍大，并且常出现较大的阵风。6月份作物较小时风速也比较大，随着作物快速生长，田间风速降低（图6c）。

图6 2015—2016年玉米和向日葵叶面积指数（LAI）和风速变化

结合图6和表2结果可知，生育期整体上2016年玉米LAI值要大于2015年的值，其2016年的率定值（-0.209）小于2015年的（-0.124）。向日葵2016年是以田块2的观测作为率定数据的，其LAI小于2015年的值，而其2016年的率定值（-0.550）小于2015年的（-0.358），与玉米相反。从2 a风速的变化图中可知2016年风速稍大且有阵风，但玉米和向日葵2016年的率定值都小于2015年的，可见风速对玉米和向日葵的值大小影响一致，即风速大而值变小。

从图4和表3验证结果的统计参数来看，玉米2 a验证数据统计参数相差不大，以2016年率定参数用2015年实测数据验证的结果要更优一些，R和值较高，RMSE值在13:00仅为0.533 mm/d。而对于向日葵来说，以2015年率定参数用2016年实测数据验证的效果更好，从只用7、8月2个月数据（2015向日葵和2016田块2）进行验证的结果对比可见，其2016年向日葵田块2验证结果R和值都在0.9以上，13:00时RMSE数值也可以下降到0.987 mm/d。因此可以表明S-I模型对于玉米应用效果很好，在向日葵快速发育期后地表覆盖率增大时，效果较好。

另外，S-I模型中的参数受风速、土壤背景、表面粗糙度等因素的影响，会导致模型估算结果精度降低。同时S-I模型估算结果精度的提高，依赖于试验数据测量的准确性；但是在实际测量中，可能出现天气条件的突然变化，或者监测仪器自身的系统误差，导致作物冠层温度和农田气象数据不准确，也会导致模型估算精度降低。玉米和向日葵S-I模型中的参数、的值相差较大，这可能与2种作物的下垫面条件有关。模型在不同地域应用时，需要对模型中的参数进行率定和验证。

3 结 论

通过内蒙古河套灌区解放闸灌域2015—2016年连续的田间试验观测，分别对S-I模型特征参数在玉米和向日葵田间进行了率定和验证对比分析，并对其影响因素和适用性进行了讨论和评价，可得如下结论：

1）利用S-I简化模型可以对玉米和向日葵田间进行作物ETd的估算，在本地区以13:00时率定和验证结果最好。玉米作物生育期的6—8月，利用S-I模型对田块估算ETd可以达到较高的精度；向日葵作物生育期的7、8月，模型估算ETd也可以达到很高的精度。

2）S-I模型中特征参数、值受风速、地表覆盖度、表面粗糙度等因素的影响，不同作物其值不同；13:00时玉米、值皆为负值，而向日葵为正数、为负数，进而影响模型估算精度。玉米和向日葵田块叶面积指数LAI对值大小的影响，呈相反的趋势，而风速的影响则为一致。

3）该文所率定的S-I模型的参数可以在河套灌区玉米和向日葵作物需水量估算时直接应用，其中13:00时玉米的特征参数、分别为–0.251和–0.209，向日葵分别为0.655和–0.358。在其他地区应用时，可以将其作为参考值；为获得最优结果，建议根据当地田间试验数据对不同作物进行率定和验证后再进行应用。

[1] Jackson R D, Idso S B, Reginato R J, et al. Canopy temperature as a crop water stress indicator[J]. Water Resources Research, 1981, 17(4): 1133－1138.

[2] Hiler E A, Howel T A, Lewis R B, et al. Irrigation timing by the stress day index method[J]. Transactions of the ASAE, 1974, 17 (3): 393－398.

[3] Jackson R D, Reginato R J, Idso S B. Wheat canopy temperature: A practical tool for evaluating water requirements[J]. Water Resources Research, 1977, 13(3): 651－656.

[4] Clawson K L, Jackson R D, Pinter P J. Evaluating plant water stress with canopy temperature differences[J]. Agronomy Journal, 1988, 88(6): 858－863.

[5] 杨文攀，李长春，杨浩，等. 基于无人机热红外与数码影像的玉米冠层温度监测[J]. 农业工程学报，2018，34(17)：68－75. Yang Wenpan, Li Changchun,Yang Hao, et al.Monitoring of canopy temperature of maize based on UAV thermal infrared imagery and digital imagery[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(17): 68－75. (in Chinese with English abstract)

[6] Webber H, Ewert F, Kimball B A, et al．Simulating canopy temperature for modelling heat stress in cereals[J]. Environmental Modelling & Software, 2016, 77: 143－155.

[7] Webber H, Martreb P, Assengc S, et al．Canopy temperature for simulation of heat stress in irrigated wheat in a semi-arid environment: A multi-model comparison[J/OL]. Field Crops Research, 2015, http://dx.doi.org/10.1016/j.fcr.2015.10.009.

[8] “10000个科学难题”农业科学编委会. 10000个科学难题-农业科学卷[M]. 北京：科学出版社，2011. 9.

[9] Kustas W P, Norman J M. Advances in thermal infrared remote sensing for land surface modeling[J]. Agricultural and Forest Meteorology, 2009, 149: 2071－2081.

[10] Norman J M, Kustas W P, Humes K S. Source approach for estimating soil and vegetation energy fluxes in observations of directional radiometric surface temperature[J]. Agricultural and Forest Meteorology, 1995, 77: 263－293.

[11] Qiu G Y, Ben-Asher J, Yano T, et al. Estimation of soil evaporation using the differential temperature method[J]. Soil Science Society of America Journal, 1999, 63: 1608－1614.

[12] Qiu G Y, Momii K, Yano T. Estimation of plant transpiration by imitation leaf temperature. I. Theoretical consideration and field verification[J]. Transactions of the Japanese Society of Irrigation, Drainage and Reclamation Engineering, 1996, 64: 401－410.

[13] Qiu G Y, Yano T, Momii K. An improved methodology to measure evaporation from bare soil based on comparison of surface temperature with a dry soil surface[J]. Journal of Hydrology, 1998, 210: 93－105.

[14] Seguin B, Itier B. Using midday surface temperature to estimate daily evaporation from satellite thermal IR data[J]. International Journal of Remote Sensing, 1983, 4(2): 371－383.

[15] Lagouarde J P. Use of NOAA AVHRR data combined with an agrometeorological model for evaporation mapping[J]. International Journal of Remote Sensing, 1991, 12(9): 1853－1864.

[16] Dunkel Z, Szenyán, I G. Estimation of areal distribution of evapotranspiration using remotely sensed data during vegetation period in Hungary[J]. Advances in Space Research, 2000, 26(7): 1051－1054.

[17] 郭家选，李玉中，严昌荣，等. 华北平原冬小麦农田蒸散量[J]. 应用生态学报，2006，17(12)：2357－2362.Guo Jiaxuan, Li Yuzhong, Yan Changrong, et al. Evapotranspiration of winter wheat field in North China Plain [J]. Chinese Journal of Applied Ecology, 2006, 17(12): 2357－2362. (in Chinese with English abstract)

[18] 张建君. 农田日蒸散量估算方法研究[D]. 北京：中国农业科学院，2009.Zhang Jianjun. Estimation of Cropland Daily Evapotranspiration[D]. Beijing: Chinese Academy of Agricultural Science, 2009. (in Chinese with English abstract)

[19] 黄凌旭，蔡甲冰，白亮亮，等. 利用作物冠气温差估算农田蒸散量[J]. 中国农村水利水电，2016(8)：76－82. Huang Lingxu, Cai Jiabing, Bai Liangliang, et al. Estimation of cropland daily evapotranspiration [J]. China Rural Water and Hydropower, 2016(8):76－82 (in Chinese with English abstract)

[20] 巴彦淖尔统计局. 巴彦淖尔统计年鉴[M]. 北京：中国统计出版社，2000－2015.

[21] Bai L L, Cai J B, Liu Y, et al. Responses of field evapotranspiration to the changes of cropping pattern and groundwater level in large irrigation district of Yellow River basin[J]. Agricultural Water Management, 2017, 188: 1–11.

[22] 蔡甲冰，许迪，司南，等. 基于冠层温度和土壤墒情的实时监测与灌溉决策系统[J]. 农业机械学报，2015，46(12)：133－139. Cai Jiabing, Xu Di, Si Nan, et al. Real-time monitoring system of crop canopy temperature and soil moisture for irrigation decision-making[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(12): 133－139. (in Chinese with English abstract)

[23] Allen R G, Pereira L S, Raes D, et al. Crop evapotranspiration: Guidelines for computing crop water requirements[M]// Irrigation and Drainage Paper 56. Rome, Italy: United Nations Food and Agriculture Organization, 1998.

[24] 闫浩芳. 内蒙古河套灌区不同作物腾发量及作物系数的研究[D]. 呼和浩特：内蒙古农业大学，2008. Yan Haofang. The Study of Crop Evapotranspiration and Crop Coefficient in Hetao Irrigation District of Inner Mongolia[D]. Huhhot: Inner Mongolia Agricultural University, 2008. (in Chinese with English abstract)

[25] 黄凌旭. 利用作物冠层温度估算农田蒸散量[D]. 北京：中国水利水电科学研究院，2018. Huang Lingxu. Estimation of Evapotranspiration Using the Crop Canopy Temperature[D]. Beijing: China Institute of Water Resources and Hydropower Research, 2018. (in Chinese with English abstract)

[26] Willmott C J. Some comments on the evaluation of model performance[J]. Bulletin of American Meteorological Society, 1982, 63(11): 1309－1313.

[27] Carlson T N, Buffum M J. On estimating total daily evapotranspiration from remote surface temperature measurements[J]. Remote Sensing of Environment, 1989, 29(2): 197－207.

[28] Carlson T N, Capehart W J, Gillies R R. A new look at the simplified method for remote sensing of daily evapotranspiration[J]. Remote Sensing of Environment, 1995, 54(2): 161－167.

Key parameter analysis of ET estimating for maize and sunflower in Hetao Irrigation District based on S-I model

Cai Jiabing1,2, Zhang Baozhong1,2, Wei Zheng1,2, Huang Lingxu3, Chen He1,2, Peng Zhigong1,2

(1.100038,; 2100048,; 3.100024,)

It is very important to estimate field crop evapotranspiration rapidly when water resources distribution and irrigation management would be implemented well-off in irrigation district. The simplified S-I model takes into consideration of crop canopy temperature and field micro-meteorology factors and it has been widely used for evapotranspiration estimation. In this study, 2 key crop parameters in S-I model were calibrated for the use of Hetao Irrigation District situated along the Yellow River in Inner Mongolia, the second-largest irrigation project in China. Two-year field experiments were carried out in Jiefangzha irrigation area of Hetao Irrigation District in 2015—2016 in maize and sunflowers fields (the major crop in Hetao Irrigation District). Measurements and system tests were conducted in an experimental field located at the Shahaoqu Experimental Station in the middle of the Jiefangzha Irrigation Area (40°55¢8²N, 107°8¢16²E, 1 036 m elevation). Continuous field measurements were taken from mid-May to September in 2015 and 2016 when the maize and sunflowers were in their primary growing periods. The experimental sites were equipped with a Canopy Temperature and Meteorology Monitoring System (CTMS) mounted on a stainless steel stand column. The slope and intercept of the S-I model related the difference of canopy temperature and air temperature and the difference of daily evapotranspiration (ETd) and solar net radiation represented two characteristic parameters of model. The parameters were calibrated based on the 2 year experimental results and then validated by using the other year results, respectively. And the related influencing factors of the parameters were also analyzed. The results showed that: 1) The S-I model could be utilized to estimate ETdin maize and sunflower field, and the best calibration and validation was at 13:00 in Hetao Irrigation District based on 2-year results. High accuracy of the S-I model occurred in crop vigorous growth period, for maize in June, July and August, for sunflower in July and August, respectively. 2) The characteristic parameters of S-I model were impacted by wind speed, surface coverage, and surface roughness, but the impacts varied for different crops. At the best performance time of daily 13:00, the characteristic parameters of S-I model were both negative for maize field, but one was positive and the other was negative for sunflower. These could affect the estimating values and its accuracy. Leaf area index (LAI) impacted the model slope of maize in a different way with that on sunflower, but wind speed had the similar influence on these 2 crops. 3) The calibrated values of characteristic parameters of S-I model could be utilized to estimate crop daily evapotranspiration in maize and sunflower fields in Hetao Irrigation District. The estimation based on data at 13:00 was the best for both sunflower and maize. The recommended values of intercept and slope of the S-I model were-0.251 and-0.209 for maize, and 0.655 and-0.358 for sunflower, respectively. These parameters values could be used as a recommendation to ETdestimation in the other areas when the experimental data were lack. However, if the high accuracy of evapotranspiration estimation are required, we suggested to calibrate the parameters based on local field experiments and measurements.

evapotranspiration; wind speed; temperature; maize; sunflower; S-I model; Hetao irrigation district

2018-11-13

2019-03-10

国家重点研发计划项目（2016YFC0400101）；国家自然科学基金项目（51679254）；水利部技术示范项目（SF201802）

蔡甲冰，教授级高级工程师，博士，从事精量灌溉决策与农业水管理的研究。Email：caijb@iwhr.com

10.11975/j.issn.1002-6819.2019.08.017

S274.1

A

1002-6819(2019)-08-0140-09

蔡甲冰，张宝忠，魏 征，黄凌旭，陈 鹤，彭致功. 河套灌区玉米和向日葵ET的S-I估算模型关键参数分析[J]. 农业工程学报，2019，35(8)：140－148. doi：10.11975/j.issn.1002-6819.2019.08.017 http://www.tcsae.org

Cai Jiabing, Zhang Baozhong, Wei Zheng, Huang Lingxu, Chen He, Peng Zhigong. Key parameter analysis of ET estimating for maize and sunflower in Hetao Irrigation District based on S-I model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(8): 140－148. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.08.017 http://www.tcsae.org